Saltar al contenido
FRM · Guía práctica

Backtesting del VaR: contar excepciones y entender qué falta por comprobar

Analiza excepciones del VaR con un ejemplo de 250 días. Distingue frecuencia, concentración temporal, severidad y errores de comparación.

Un backtest de VaR compara una predicción de riesgo realizada antes del periodo con una pérdida observada después. Una excepción aparece cuando la pérdida supera el VaR correspondiente bajo la convención del análisis. El recuento es informativo, pero no determina por sí solo si un modelo está bien construido ni si representa las pérdidas más extremas.

Empareja cada predicción con su resultado

Supón un VaR diario al 99 %, calculado al cierre para una cartera definida. El registro del día siguiente debe conservar la estimación que existía antes de conocer el resultado. Si vuelves a estimarla usando datos posteriores, conviertes la evaluación en una reconstrucción con información futura.

También hay que definir la pérdida comparada. Una cartera que cambia durante el día, las comisiones y otros ingresos pueden producir diferencias entre un resultado observado y una variación hipotética de posiciones constantes. No mezcles esas series silenciosamente. Un backtest puede parecer peor o mejor por una definición inconsistente, incluso sin que cambien los cálculos del VaR.

Tres observaciones ficticias con pérdidas positivas
DíaVaR previoPérdida posterior¿Excepción?
37100.000 EUR125.000 EURSí
38100.000 EUR100.000 EURNo, con regla estricta pérdida > VaR
39100.000 EUR−10.000 EURNo; hubo beneficio

Qué esperar de 250 días

Para un VaR al 99 %, la probabilidad objetivo de excedencia es 1 %. Si hubiera 250 ensayos con esa probabilidad, el número esperado de excepciones sería 250 × 0,01 = 2,5. No significa que debas observar exactamente dos o tres ni que cuatro demuestren automáticamente un fallo.

Si además supones independencia y probabilidad constante, el recuento sigue un modelo binomial. La probabilidad de cero excepciones es 0,99^250 ≈ 8,1 %. Cero excepciones es posible incluso con una frecuencia objetivo del 1 %. También podría ser compatible con estimaciones demasiado conservadoras. La observación aislada no decide entre explicaciones.

Esas hipótesis estadísticas son parte de nuestro ejemplo. No basta invocarlas porque el tamaño de muestra sea 250. Si los mercados pasan por regímenes distintos, las probabilidades condicionales o las dependencias pueden cambiar. Tampoco estamos asignando una categoría supervisora ni calculando una sanción regulatoria.

Dos modelos con cinco excepciones

El modelo A registra excepciones los días 12, 58, 105, 171 y 234. El B las registra los días 120, 121, 122, 123 y 124. Ambos tienen cinco excepciones y una frecuencia observada del 2 %. Sin embargo, B concentra todas en una misma semana, lo que invita a investigar si el modelo se adapta tarde a cambios de condiciones.

Ese patrón no demuestra una causa concreta. Puede relacionarse con volatilidad, posiciones nuevas, un dato erróneo o diferencias en la serie de resultados. Necesitas reconstruir qué se sabía cada día y qué mecanismo produjo cada excepción. A también podría tener problemas que un recuento disperso no revele.

La severidad no está en el contador

Imagina que todas las excepciones de A superan el VaR por un euro y las de B lo superan por un millón. El contador continúa siendo cinco en los dos casos. El VaR evalúa un umbral; no describe por sí solo la magnitud media más allá de él. Por eso conviene estudiar las pérdidas excedentes y otras medidas, preservando sus definiciones y objetivos.

Una tabla de investigación puede incluir fecha, VaR anterior, pérdida, diferencia, posiciones relevantes, cambios de datos y explicación revisada. No ajustes cada excepción hasta hacerla desaparecer. Corregir un error de datos es diferente de cambiar el modelo después de observar un periodo adverso y reutilizar ese mismo periodo como una prueba independiente.

Del resultado a una acción verificable

Si detectas cinco excepciones consecutivas, formula una hipótesis comprobable: «la estimación reacciona con retraso a un aumento persistente de volatilidad». Compara versiones con reglas fijadas antes de una nueva evaluación, estudia sensibilidad y conserva el historial. Una mejora dentro del mismo conjunto usado para decidir el cambio puede ser ajuste a la muestra.

La validación también debe revisar finalidad, datos, implementación y límites de uso. Un modelo puede reproducir correctamente el pasado disponible y seguir siendo inadecuado para una posición nueva o para un mercado sin liquidez. El backtest es evidencia que apoya un análisis; no es un certificado universal de seguridad.

Comprueba tu lectura

Con doscientos días de observación y VaR al 97,5 %, el número esperado de excepciones es 200 × 0,025 = 5. Si observas cinco, la frecuencia empírica coincide con el objetivo. Aún faltan la secuencia temporal, la severidad y la consistencia entre pronóstico y pérdida. «Coincide la media» describe un hecho concreto; «el modelo está validado» exigiría evidencia adicional.

Fuentes y alcance

Ejemplo educativo original de FinTutor.ai, con datos ficticios; no es una pregunta oficial ni una propuesta de inversión. Consulta los objetivos aplicables a tu convocatoria en GARP. GARP mostraba documentos de 2026; estas prácticas no acreditan cobertura del temario 2027. Corte de consulta: 11 de noviembre de 2026.

Información y estado de la preparación FRM en FinTutor.ai.

Revisión editorial: .

Déjanos tu email para recibir novedades sobre lo que te interesa.

Tienes un descuento por invitación. Se aplicará automáticamente en tu pago.×